205 lines
6.2 KiB
Markdown
205 lines
6.2 KiB
Markdown
# 过滤敏感词
|
||
|
||
---
|
||
|
||
采用数据结构 - 前缀树：
|
||
|
||
- 名称：Trie、字典树、查找树
|
||
- 特点：查找效率高，消耗内存大
|
||
- 前缀树的根节点为空，其余节点只包含一个字符
|
||
- 一条路径就是一个字符串（到叶子节点）
|
||
- 每个节点的所有子节点包含的字符串不同（也即相同的要合并）
|
||
- 应用：字符串检索、词频统计、字符串排序
|
||
|
||
|
||
|
||
|
||
|
||
敏感词过滤器：
|
||
|
||
- 定义前缀树
|
||
|
||
- 根据敏感词，初始化前缀树；
|
||
|
||
- 编写过滤敏感词的方法
|
||
|
||
### 定义前缀树
|
||
|
||
```java
|
||
/**
|
||
* 定义前缀树
|
||
*/
|
||
private class TrieNode {
|
||
// 关键词结束标识（叶子节点）
|
||
private boolean isKeywordEnd = false;
|
||
// 子节点(key:子节点字符, value:子节点类型)
|
||
private Map<Character, TrieNode> subNodes = new HashMap<>();
|
||
|
||
public boolean isKeywordEnd() {
|
||
return isKeywordEnd;
|
||
}
|
||
|
||
public void setKeywordEnd(boolean keywordEnd) {
|
||
isKeywordEnd = keywordEnd;
|
||
}
|
||
|
||
// 添加子节点
|
||
public void addSubNode(Character c, TrieNode node) {
|
||
subNodes.put(c, node);
|
||
}
|
||
|
||
// 获取子节点
|
||
public TrieNode getSubNode(Character c) {
|
||
return subNodes.get(c);
|
||
}
|
||
}
|
||
```
|
||
|
||
|
||
|
||
### 根据敏感词，初始化前缀树；
|
||
|
||
` @PostConstruct ` 在容器实例化这个类（容器在启动的时候就会实例化），并调用这个类的构造器之后（由用户调用构造器），该注解标注的方法就会被自动调用
|
||
|
||
```java
|
||
@Component
|
||
public class SensitiveFilter {
|
||
|
||
private static final Logger logger = LoggerFactory.getLogger(SensitiveFilter.class);
|
||
|
||
// 将敏感词替换成 ***
|
||
private static final String REPLACEMENT = "***";
|
||
|
||
// 根节点
|
||
private TrieNode rootNode = new TrieNode();
|
||
|
||
/**
|
||
* 初始化前缀树
|
||
*/
|
||
@PostConstruct // 初始化方法
|
||
public void init() {
|
||
try (
|
||
InputStream is = this.getClass().getClassLoader().getResourceAsStream("sensitive-words.txt");
|
||
BufferedReader reader = new BufferedReader(new InputStreamReader(is));
|
||
) {
|
||
String keyword;
|
||
while ((keyword = reader.readLine()) != null) {
|
||
// 添加到前缀树
|
||
this.addKeyword(keyword);
|
||
}
|
||
} catch (IOException e) {
|
||
logger.error("加载敏感词文件失败" + e.getMessage());
|
||
}
|
||
|
||
|
||
}
|
||
|
||
/**
|
||
* 将一个敏感词添加进前缀树中
|
||
* @param keyword
|
||
*/
|
||
private void addKeyword(String keyword) {
|
||
TrieNode tempNode = rootNode;
|
||
for (int i = 0; i < keyword.length(); i ++) {
|
||
char c = keyword.charAt(i);
|
||
TrieNode subNode = tempNode.getSubNode(c);// 首先判断是否存在相同子节点
|
||
|
||
if (subNode == null) {
|
||
subNode = new TrieNode(); // 初始化子节点
|
||
tempNode.addSubNode(c, subNode); // 添加子节点
|
||
}
|
||
|
||
// 指向子节点，进入下一层循环
|
||
tempNode = subNode;
|
||
|
||
// 设置结束标识（叶子节点），表示这个字符是该敏感词的最后一个字符
|
||
if (i == keyword.length() - 1) {
|
||
tempNode.setKeywordEnd(true);
|
||
}
|
||
}
|
||
}
|
||
|
||
}
|
||
```
|
||
|
||
|
||
|
||
### 编写过滤敏感词的方法
|
||
|
||
```java
|
||
/**
|
||
* 过滤敏感词
|
||
* @param text 待过滤的文本
|
||
* @return 过滤后的文本（即用 *** 替代敏感词）
|
||
*/
|
||
public String filter(String text) {
|
||
if (StringUtils.isBlank(text)) {
|
||
return null;
|
||
}
|
||
|
||
// 指针 1：前缀树的工作指针
|
||
TrieNode tempNode = rootNode;
|
||
// 指针 2：指向文本中某个敏感词的第一位
|
||
int begin = 0;
|
||
// 指针 3；指向文本中某个敏感词的最后一位
|
||
int end = 0;
|
||
|
||
// 记录过滤后的文本（结果）
|
||
StringBuilder sb = new StringBuilder();
|
||
|
||
while (end < text.length()) {
|
||
char c = text.charAt(end);
|
||
// 跳过符号（防止敏感词混合符号，比如 ☆赌☆博）
|
||
if (isSymbol(c)) {
|
||
// 若指针 1 处于根节点，则将此符号计入结果（直接忽略），让指针 2 向下走一步
|
||
if (tempNode == rootNode) {
|
||
sb.append(c);
|
||
begin ++;
|
||
}
|
||
// 无论符号在开头还是在中间，指针 3 都会向下走一步
|
||
end ++;
|
||
continue;
|
||
}
|
||
|
||
// 检查子节点
|
||
tempNode = tempNode.getSubNode(c);
|
||
if (tempNode == null) {
|
||
// 以指针 begin 开头的字符串不是敏感词
|
||
sb.append(text.charAt(begin));
|
||
// 进入下一位的判断
|
||
begin ++;
|
||
end = begin;
|
||
// 指针 1 重新指向根节点
|
||
tempNode = rootNode;
|
||
}
|
||
else if (tempNode.isKeywordEnd()) {
|
||
// 发现敏感词，将 begin~end 的字符串替换掉
|
||
sb.append(REPLACEMENT);
|
||
// 进入下一位的判断
|
||
end ++;
|
||
begin = end;
|
||
// 指针 1 重新指向根节点
|
||
tempNode = rootNode;
|
||
}
|
||
else {
|
||
// 检查下一个字符
|
||
end ++;
|
||
}
|
||
}
|
||
|
||
// 将最后一批字符计入结果（如果最后一次循环的字符串不是敏感词，上述的循环逻辑不会将其加入最终结果）
|
||
sb.append(text.substring(begin));
|
||
|
||
return sb.toString();
|
||
}
|
||
|
||
// 判断某个字符是否是符号
|
||
private boolean isSymbol(Character c) {
|
||
// 0x2E80~0x9FFF 是东亚文字范围
|
||
return !CharUtils.isAsciiAlphanumeric(c) && (c < 0x2E80 || c > 0x9FFF);
|
||
}
|
||
```
|
||
|
||
|
||
|